دانلودتحقیق درمورد مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن 65 ص

اختصاصی از فایل هلپ دانلودتحقیق درمورد مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن 65 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 165

مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن:

امروزه با شکسته شدن پی در پی استقلال ، شاخه های مختلف علوم و بهره وری شاخه ای از شاخه ی دیگر و پیشبرد مسائل پیچیده خود، پیوستگی و لاینفک بودن تمامی شاخه های علوم را نمایان تر می سازد که سرمنشأ تمامی آنها از یک حقیقت نشأت گرفته و آن ذات باری تعالی است.اولین تلاش ها به منظور ارائه ی یک مدل ریاضی برای سیستم عصبی انسان در دهه 40 توسط Mcculloch , pitts انجام شد ، که حاصل آن یک نورون ساده ی تک لایه ویک روش برای آموزش آن بود . در ادامه ی این کار Hebb نتایج آزمایشات پاولف را در مورد شرطی شدن ،گسترش داد و یک روش برای یادگیری ارائه کرد . در سال 1958 ،Rossonblatt شبکه ی پرسپترون را ارائه کرد . بعد از مدتی اثبات شد شبکه ی عصبی پرسپترون تک لایه نمی تواند تابع ساده ای مانند EX-OR را بیاموزد .بنابراین تقریباً تا دهه ی 80 تلا ش ها برای گسترش شبکه ی عصبی بسیار کم بود. سپس در طی یک مقاله اثبات شد که شبکه ی عصبی پرسپترون چند لایه می تواند به عنوان یک تخمین گر جهانی مطرح شود . بدین معنی که این شبکه قابلیت دارد هر تابع غیرخطی را با دقت دلخواه مدل سازی کند . از آن به بعد شبکه های عصبی مصنوعی گسترش یافتند و در زمینه های بسیاری از آنها استفاده شد .

سیستم شبکه ی عصبی مصنوعی از مغز وسیستم عصبی انسان الهام گرفته شده و مانند مغز انسان از تعداد زیادی نورون تشکیل شده است . این شبکه ها مانند مغز انسان دارای قابلیت یادگیری هستندکه از مزیت های عمده ی این سیستم هاست در مواردی که نتوانیم یک الگوریتم حل به صورت فرمولی بیابیم یا تعداد زیادی مثال از ورودی و خروجی سیستم موردنظرمان در اختیار داشته باشیم و بخواهیم برای آن سیستم ، مدل ارائه کنیم یا اینکه یک ساختار از اطلاعات موجود بدست آوریم ، استفاده از شبکه های عصبی مصنوعی سودمند است . تاکنون برای شبکه های عصبی توپولوژی های مختلف همراه با کاربردهای متنوع ارائه شده است که طیف وسیعی از موضوعات را پوشش می دهد . 

الهام از نورون واقعی :

سیستم عصبی انسان و مغز وی متشکل از ترکیب و به هم پیوستن تعداد زیادی سلول به نام نورون می باشد . تعداد نورون های مغز انسان به طور متوسط حدود 100 تریلیون می باشد . یک نورون دارای تعداد زیادی ورودی و یک خروجی است . خروجی می تواند دو حالت فعال یا غیرفعال را اختیار کند . در یک نورون ورودی ها تعیین می کنند که خروجی نرون فعال یا غیرفعال باشد . یک نرون از یک حجم سلولی ، تعداد زیادی « دنوریت » به عنوان ورودی و یک « اکسون » به عنوان خروجی تشکیل شده است.

به محل اتصال اکسون یک سلول به دنوریت های یک سلول دیگر نیز «سیناپس » می گویند که نقش بسزایی در سیستم عصبی ایفا می کند . سیناپس می تواند در طول دوره ی یادگیری نسبت به سیگنال های ورودی تغییر کند .در این قسمت به قانون یادگیری «هبی» اشاره می کنیم . این قانون به طور ساده به این صورت می باشد که اگر ورودی های یک نرون به طور مکرر منجر به فعال شدن خروجی شود ، یک تغییر متابولیک در سیناپس اتفاق می افتد که در طی آن مقاومت سیناپس نسبت به آن ورودی خاص کاهش می یابد. 

مدل ریاضی نرون :

یک نرون مجموع وزن های ورودی را حساب کرده و براساس یک تابع فعالیت ( که در حالت ساده می تواند یک Threshold باشد ) خروجی را تعیین می کند . اگر این مجموع از ترشلد بیشتر باشد خروجی نرون « یک » می شود در غیر این صورت خروجی نرون منفی یک ( 1- ) خواهد شد . 

به عنوان مثال یک شبکه عصبی ساده به نام perceptron را در نظر می گیریم این شبکه در شکل زیر نشان داده شده است در این شبکه چند ورودی وجود دارد که یکی از آنها مربوط به بایاس است . تابع فعالیت نورون نیز به صورت یک ترشلد خطی می باشد و شبکه دارای یک خروجی است . در این شبکه سیناپس ها به صورت وزن های اتصالات در نظر گرفته شده است . به عنوان مثال فرض کنید که می خواهیم یک OR منطقی را به وسیله ی این شبکه مدل کنیم. هدف از الگوریتم یادگیری ، بدست آوردن وزن های مناسب برای حل مسئله ی مورد نظر ما می باشد .

قانون یادگیری شبکه به صورت زیر است که بیان کننده ی تغییرات وزن ، نرخ سرعت یادگیری و یک عدد ثابت می باشد .D بیان کننده ی خروجی مطلوب است که در الگوهای آموزشی وجود دارد Y بیان کننده ی خروجی به دست آمده از شبکه است و بیان کننده ورودی است .یادگیری همان طور که قبلاً اشاره شد ، از شبکه های عصبی مصنوعی برای مدل کردن سیستم هایی که غیرخطی یا جعبه سیاه هستند و ما از دینامیک داخلی سیستم خبری نداریم و فقط یک سری (ورودی – خروجی ) از سیستم داریم ، می توان استفاده کرد . بدین ترتیب که ابتدا یک توپولوژی مناسب از شبکه در نظر می گیریم، تعداد و نحوه ی اتصالات نورون ها را مشخص می کنیم و یک سری وزن های ابتدایی برای اتصالات در نظر می گیریم . در مرحله ی آموزش، هدف این است که با اعمال مجموعه «ورودی – خروجی » های سیستم مورد نظر وزن های اتصالات را طوری تنظیم کنیم که بتوانیم با دادن ورودی هایی غیر از ورودی های مجموعه ی آموزشی مان خروجی متناسب با سیستم مورد نظر بدست بیاوریم . به بیان دیگر بتوانیم سیستم رامدل کنیم.

در شکل توپولوژی یک شبکه عصبی که دارای لایه های مختلفی است ، این شبکه ، ازلایه های مختلفی تشکیل شده که بیان کننده ی نحوه ی اتصال نورون ها به یکدیگر می باشد . لایه ی ورودی شامل نورون نبوده و فقط بیان کننده ی ورودی هاست . به نورون هایی که مستقیم ، به خروجی متصل می شوند، لایه ی خروجی گفته می شود .بقیه لایه ها - غیر از ورودی و خروجی - لایه های پنهان نام دارند . به طور کلی فرآیند یادگیری را می توان به 3 دسته تقسیم کرد.

1- یادگیری نظارت شده Supervised Learning در این روش همان طور که قبلاً اشاره شد یک مجموعه ی آموزشی در نظر گرفته می شود و یادگیرنده بر اساس یک ورودی عمل کرده و یک خروجی به دست می آورد . سپس این خروجی توسط یک معلم که می تواند خروجی مورد نظر ما باشد مورد ارزیابی قرار می گیرد و براساس اختلافی که با خروجی مطلوب دارد یک سری تغییرات در عملکرد یادگیرنده به وجود می آید . این تغییرات می تواند، وزن های اتصالات باشد . یک مثال برای این روش الگوریتم « پس انتشار خطا »Back propagation error می باشد که در شبکه های پرسپترون برای آموزش ، مورد استفاده قرار می گیرد.

2- یادگیری نظارت نشده unsupervised Learning در این روش، حین فرآیند یادگیری از مجموعه های آموزشی استفاده نمی شود و به اطلاعات در مورد خروجی مطلوب نیز نیاز ندارد . در این روش معلمی وجود ندارد . و معمولاً برای دسته بندی وفشرده سازی اطلاعات استفاده می شود . یک مثال برای این روش الگوریتم kohonen می باشد .

3- یادگیری تقویتی Rein forcement learning در این روش یک معلم به عنوان یاد دهنده وجود ندارد و خود یادگیرنده با سعی

دانلودتحقیق درباره ی آزمایش بر روی سیستم عصبی اتونوم

اختصاصی از فایل هلپ دانلودتحقیق درباره ی آزمایش بر روی سیستم عصبی اتونوم دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 18

آزمایش بر روی سیستم عصبی اتونوم

سیستم عصبی اتونوم یک شبکه عصبی وسیع است که نقش اصلی آن تنظیم محیط داخلی توسط کنتبف هموستاز و فعالیت‌های احشایی است. با وجودی که اکثر فعالیت‌های سیستم اتونوم خارج از کنترل اداری می‌باشند، عواطف و ورودی‌های سوماتولنسوری بطور قابل توجهی سیستم اتونوم را تحت تأثیر قرار می‌دهند. با بررسی تغییرات برجستة وازوموتور و سودوموتور پس از آسیب تروماتیک به اعصاب، این که سیستم اتونوم نقش مهمی در تعدیل و درک درد دارد مدتها قبل شناخته شده بود. با وجود شک و ابهامی که در رابطه با اهمیت نقش سیستم عصبی سمپاتیک در ایجاد و تداوم درد وجود دارد، متخصصان درد همیشه در جستجوی وسایل و راههایی برای مطالعه و بررسی سیستم اتونوم بوده‌اند.

آناتومی

سیستم اتونوم در هر سطحی از سیستم عصبی دارای اجزاء مختلفی می‌باشد.

جزء مرکزی که به نام شبکة‌ مرکزی اتونوم(CAN) نیز شناخته می‌شود شامل مناطق مختلفی از مغز می‌باشد.

اینسولا بدلیل ارتباطاتی که با هیپوتالاموس،‌ تالاموس، هسته پارابراکیال و NTS

دارد،‌ به نظر یک منطقه حیاتی حسی حرکتی احشایی است.

تحریک و فعال شدن قشر اینولا باعث بروز هیپرتانسیون، تاکیکاری، ایستادگی موها، گشادی مردمکها و ترشح بزاق شده و فعالیت دستگاه گوارش را نیز تغییر خواهد داد. تحریک کورتکس پری فرونتال میانی که دارای ارتباطات گسترده‌ای با آمیگدال، هیپوکامپ، تالاموس، هیپوتالاموس،‌ هستة پارابراکیال و NTS می‌باشد باعث بروز برادیکاری و افت فشار خون شده و ترشحات دستگاه گوارش را تعدیل می‌نماید.

هیپتوتالاموس مهم ترین ارگان سیستم اتونوم بوده و تمام فعالیت‌های حیاتی بدن را کنترل کرده و سیستم‌های غدد درون‌ریزی و اتونوم را نیز منسجم نگه می‌دارد.

این جا منطقه‌ای است که جهان بیرون با دنیای درون ارتباط پیدا می‌کنند. آمیگدال، که در بین کورتکس، هپیوتالاموس و نواحی مزنسفال قرار دارد‌،‌ نقش مهمی در همراه کردن احساسات با محرک‌های مختلف و ایجاد پاسخ‌هایی دارد که شامل تعدیل فعالیت اتونوم می‌شوند.

در سطح مزنسفال، هسته پارابراکیالیس و PAG نواحی تقویت تکمیلی می‌باشند. PAG نیز از جمله مناطق مهم و حیاتی در کنترل و تعدیل درد است. نواحی ساقة مغزی اصل النخاع که اکثر فعالیت‌های رفلکسی و اتوماتیک قلبی تنفسی را کنترل می‌کنند عبارتند از بدولای ونترولترال و NTS. ارگانهای دور بطنی با احساس و تشخیص تغییرات هومرال در تعدیل فعالیت اتونوم شرکت می‌کنند.

اجزاء‌ محیطی سیستم انوم عبارتند از سیستم‌های عصبی سمپاتیک و پاراسمپاتیک. نورون‌های پیش گانگلیونی سیستم سمپاتیک در ستون بینابینی خارجی نخاع قرار داشته و اکسونهای آنها در گانگلیونهای پری وربترال و پاراوربترال سیناپس کرده و فیبرهای پس سیناپسی نسبتاً مسیرهای طولانی را جهت عصب‌دهی به ارگانهای هدف خود طی می‌کنند.

سیستم سمپاتیک بسیار گسترده و منتشر است و توانایی تولید پاسخ‌های عظیم توسط تحریک ترشح اپی نفرین از قشر غده فوق کلیوی را دارد. این بعلت نسبت بالای فیبرهای پس گانگلیونی به پیش گانگلیونی و نیز فیبرهای پس گانگلیونی بلند و طولانی است. نورون‌های پیش سیناپسی پاراسمپاتیک تشکیل گروههای هسته‌ای ساکرال و کردینال را می‌دهند. سیستم عصبی پاراسمپاتیک بطور انتخابی فعالیت می‌کند زیرا اکسونهای پیش گانگلیونی در گانگلیونهایی سیناپس می‌کنند که بسیار نزدیک به ارگان‌های هدف بوده و همچنین نسبت فیبرهای پس گانگلیونی به پیش گانگلیونی در این سیستم بسیار کمتر از سسیتم سمپاتیک است. معمولاً دو سیستم سمپاتیک و پاراسمپاتیک اعمال مخالف هم دارند، اما در ارگانهای معدودی آثارشان با هم تشدید می‌شود.

نوروترنسمیترها

استیل کولیس (Ach) نوروترنسمیتر کلاسیک فیبرهای پیش گانگلیونی در هر دو سیستم عصبی سمپاتیک و پاراسمپاتیک است. فیبرهای پس گانگلیونی سمپاتیک نوراپی نفرین (NE) ترشح می‌کنند. به جز فیبرهای سودوموتور که استیل کولین ترشح می‌کنند. نورون‌های پس عقده‌ای پاراسمپاتیک همگی استیل کولین ترشح می‌کنند.

در اعصابی که در سطوح مختلف CAN، نخاع، و همچنین پایانه‌های پیش و پس عقده‌ای وجود دارند و محتوی Ach و یا NE می‌باشند نوروپیتیدها و نوروترنسمیترهای شناخته شده دیگری نیز وجود دارند. آنها نقش مهمی در فعالیت احشایی و همچنین فعالیت‌های منسجم متعددی از جمله شناخت، درد و یا حرکت ایفا می‌نمایند. شایع

تحقیق دستگاه عصبی یا سیستم

اختصاصی از فایل هلپ تحقیق دستگاه عصبی یا سیستم دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 5

مقدمه

دستگاه عصبی با داشتن نورونها ، هدایت تحریکات را به عهده دارد. تحریکات را حس می‌کند به مغز می‌فرستد در مقابل بخش تحریک شده که تحریک را حس کرده است واکنش نشان می‌دهد. این تحریکات اکثر اوقات از طریق نورونهای واسط صورت می‌گیرد. زیرا به ندرت یک نورون بسیار بلند در بدن یافت می‌شود. تحریکات باعث تولید مواد شیمیایی می‌شوند، این واسطه‌های شیمیایی از راس انشعابات انتهایی اکسون و دندریت که غالب اندامکهای جسم سلولی را دارا هستند، تولید می‌شوند.

پرده‌های مغز و نخاع

سطح بیرونی مغز و نخاع توسط سه پرده یا شامه پوشیده شده است پرده بیرونی سخت شامه ، میانی عنکبوتیه و درونی نرم شامه نامیده می‌شود. سطح بیرونی پرده‌ها بوسیله مزوتلیوم پوشیده شده است.

نخاع

نخاع رابط مغز و قسمتهای دیگر بدن است اعصاب در فواصل معین به نخاع وارد و یا از آن خارج می‌شوند. اعصاب حسی از طریق ریشه‌های پشتی وارد نخاع می‌شوند اعصاب حرکتی ریشه‌های شکمی نخاع را ترک می‌کنند. دو ریشه پشتی و شکمی به هم متصل شده و اعصاب نخاعی را می‌سازند.

مقطع نخاع

مقطع نخاع دارای دو بخش خاکستری و سفید است بخش خاکستری تقریبا به شکل H در وسط نخاع قرار دارد. این بخش غالبا جسم سلولی و دندریت نورونهای فاقد میلین را در خود جای داده است. بخش خاکستری توسط بخش سفید با ستونهای شکمی ، جانبی و پشتی احاطه شده است. این ستونها دارای اعصاب میلین‌دار هستند. رنگ سفید این بخش به خاطر وجود میلین است ستونهای بخش سفید دارای رشته‌های بدون میلین هستند. بازوهای H به نام شاخهای پشتی و شکمی نخاع خوانده می‌شوند. شاخهای پشتی را آوران یا حسی و شاخهای شکمی را وابران یا حرکتی می‌نامند.

اعمال حرکتی نخاع

در نخاع بین سلولهای حسی و حرکتی تعداد زیادی ارتباطات چند نورونی وجود دارد که فعالیت آنها یا باعث آغاز حرکت و یا ممانعت از آن می‌شود این ارتباطات اساس رفلکسهای نخاعی است.حرکت رفلکسی به عنوان پاسخی در قبال تحریک حسی است. از نخاع ، 31 جفت عصب خارج می‌شود که بطور قرینه به اندامهای مختلف چپ و راست بدن می‌روند. محل خروج این اعصاب از فاصله بین مهره‌ها است. هر عصب دارای دو ریشه پشتی و شکمی است در مسیر ریشه پشتی یک گره عصبی هم وجود دارد که جسم سلولی نورونهای حسی در آن واقع است. ریشه شکمی نخاعی ، حرکتی است و رشته‌هایی که در آن قرار دارند فرمانها را از نخاع به طرف ماهیچه‌ها یا غده‌های بدن می برند. جسم سلولی مرتبط با این رشته‌ها در ماده خاکستری نخاع واقع است.

مغز

مغز بخشی از دستگاه عصبی مرکزی است که در بالای نخاع و درون جمجمه جای دارد این بخش از پایین به بالا شامل پیاز نخاع ، پل مغزی و مخچه ، مغز میانی ، مغز واسطه‌ای و نیمکره‌های مخ است.

نیمکره‌های مخ

دو نیمکره مخ توسط پلی از ماده سفید به نام جسم پینه‌ای بهم مربوطند. هر نیمکره با دو بخش سفید در وسط و خاکستری در قشر مشخص شده است. بخش خاکستری به ضخامت 3 - 2 میلیمتر این قسمت مخ را تشکیل می‌دهد. انواع نورونهایی که در قشر مخ وجود دارند عبارتند از: سلولهای افقی یا کانال ، هرمی ، ستاره‌ای یا دانه‌ای ، دوکی و چند شکلی. هر قسمت از قشر خاکستری مخ کار ویژه‌ای را برعهده دارد. مراکز مربوط به دریافت و تفسیر اطلاعات رسیده از اندامهای حسی مختلف مانند چشم و گوش و پوست در این قسمت واقع است. بخشی از قشر خاکستری مخ هم مرکز حرکات ارادی است.

مخچه

مخچه که تعادل بدن را حفظ می‌کند دارای بخش خاکستری در قشر و بخش سفید در مرکز است. قشر مخچه دارای سه طبقه است: طبقه ذره‌ای در بیرون ، دانه‌ای در درون ، و پورکنژ در وسط. مخچه بوسیله سه جفت پایک که شامل دسته‌هایی از تارهای عصبی می‌باشند با مغز میانی ارتباط برقرار می‌کند. در مرکز مخچه ، هسته‌های مرکزی مخچه قرار دارند. این هسته‌ها از جنس بخش خاکستری هستند که بوسیله بخش سفید احاطه شده است.

هسته‌های مرکزی مخچه از بیرون به درون عبارتند از: هسته دانه‌دار ، هسته سه گوش ، هسته مدور ، هسته فاسیتژیال که هر یک در درون دیگری قرار دارد. مخچه در کار کنترل فعالیتهای ماهیچه‌ای به مخ کمک می‌کنند. پیامهای حرکتی که از مخ به اندامها می‌رود. توسط مخچه ، تقویت و هماهنگ می‌شوند. برای کار چشمها و گوش داخلی وضعیت بدن را به مخچه خبر می‌دهند. در کل کارهای که مخچه انجام می‌دهد همگی غیر ارادی هستند.

دستگاه عصبی

دستگاه عصبی یا سیستم ‌عصبی یا سامانۀ عصبی ( Nervous System ) در بدن جانوران به هماهنگی فعالیت‌های ماهیچه‌ها پرداخته، اعضاء گوناگون را تحت نظارت درآورده، و ایجاد و توقّف ورودی‌های مربوط به حواس مختلف را باعث می‌شود. وظیفه کنترل اعمال بدن بر عهدۀ دو سیستم اعصاب و غدد داخلی می‌باشد، که از این میان، دستگاه عصبی، که از سلول‌های عصبی و سلولهای نگهبان تشکیل شده است، سلولهای عصبی (نورون‌ها) وظیفۀ تولید و هدایت پالس‌های الکتروشیمیایی را بر عهده داشته و سلولهای نگهبان وظیفه حمایت از سلولهای عصبی را بر عهده دارند.

تقسیم بندی سیستم عصبی

تقسیم بندی سیستم عصبی معملا بر اساس دو مبنای اناتومیکی و عملکردی صورت می گیرد. الف- از لحاظ آناتومی: دستگاه عصبی را از لحاظ کالبدشناختی به دو بخش تقسیم می نمایند،که عبارتند از: الف-الف-دستگاه عصبی مرکزی( Central Nervous System ): دستگاه عصبی مرکزی از مغز و نخاع تشکیل گردیده است. الف-ب-دستگاه عصبی محیطی( Peripheral Nervous System ): دستگاه عصبی محیطی از12 جفت اعصاب مغزی و 31 جفت اعصاب نخاع تشکیل گردیده است. ب- از لحاظ عملکردی: دستگاه عصبی را از لحاظ عملکردی به دو بخش تقسیم می نمایند، که عبارتند از: ب-الف-دستگاه عصبی مرکزی( Somatic Nervous System ): سیستم اعصاب پیکری ، بخش ارادی سیستم اعصاب بوده و به عضلات مختطط اسکلتی و همچنین عضلا زبان عصب دهی می نماید ب-ب-دستگاه عصبی محیطی( Autonomic Nervous System ): سیستم اعصاب خودکار همانطور که از نام آن مشخص است ، سیستم کاملا غیر ارادی بوده که بر اعمال احشاء داخلی بدن ، غدد و ..... نظارت دارد و شامل دو گروه اعصاب سمپاتیک (Nerve Sympathetic ) و پاراسمپاتیک(Nerve Para Sympathetic ) می باشد. جنین شناسی

تحقیق در مورد آزمایش بر روی سیستم عصبی اتونوم

اختصاصی از فایل هلپ تحقیق در مورد آزمایش بر روی سیستم عصبی اتونوم دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 17

آزمایش بر روی سیستم عصبی اتونوم

سیستم عصبی اتونوم یک شبکه عصبی وسیع است که نقش اصلی آن تنظیم محیط داخلی توسط کنتبف هموستاز و فعالیت‌های احشایی است. با وجودی که اکثر فعالیت‌های سیستم اتونوم خارج از کنترل اداری می‌باشند، عواطف و ورودی‌های سوماتولنسوری بطور قابل توجهی سیستم اتونوم را تحت تأثیر قرار می‌دهند. با بررسی تغییرات برجستة وازوموتور و سودوموتور پس از آسیب تروماتیک به اعصاب، این که سیستم اتونوم نقش مهمی در تعدیل و درک درد دارد مدتها قبل شناخته شده بود. با وجود شک و ابهامی که در رابطه با اهمیت نقش سیستم عصبی سمپاتیک در ایجاد و تداوم درد وجود دارد، متخصصان درد همیشه در جستجوی وسایل و راههایی برای مطالعه و بررسی سیستم اتونوم بوده‌اند.

آناتومی

سیستم اتونوم در هر سطحی از سیستم عصبی دارای اجزاء مختلفی می‌باشد.

جزء مرکزی که به نام شبکة‌ مرکزی اتونوم(CAN) نیز شناخته می‌شود شامل مناطق مختلفی از مغز می‌باشد.

اینسولا بدلیل ارتباطاتی که با هیپوتالاموس،‌ تالاموس، هسته پارابراکیال و NTS

دارد،‌ به نظر یک منطقه حیاتی حسی حرکتی احشایی است.

تحریک و فعال شدن قشر اینولا باعث بروز هیپرتانسیون، تاکیکاری، ایستادگی موها، گشادی مردمکها و ترشح بزاق شده و فعالیت دستگاه گوارش را نیز تغییر خواهد داد. تحریک کورتکس پری فرونتال میانی که دارای ارتباطات گسترده‌ای با آمیگدال، هیپوکامپ، تالاموس، هیپوتالاموس،‌ هستة پارابراکیال و NTS می‌باشد باعث بروز برادیکاری و افت فشار خون شده و ترشحات دستگاه گوارش را تعدیل می‌نماید.

هیپتوتالاموس مهم ترین ارگان سیستم اتونوم بوده و تمام فعالیت‌های حیاتی بدن را کنترل کرده و سیستم‌های غدد درون‌ریزی و اتونوم را نیز منسجم نگه می‌دارد.

این جا منطقه‌ای است که جهان بیرون با دنیای درون ارتباط پیدا می‌کنند. آمیگدال، که در بین کورتکس، هپیوتالاموس و نواحی مزنسفال قرار دارد‌،‌ نقش مهمی در همراه کردن احساسات با محرک‌های مختلف و ایجاد پاسخ‌هایی دارد که شامل تعدیل فعالیت اتونوم می‌شوند.

در سطح مزنسفال، هسته پارابراکیالیس و PAG نواحی تقویت تکمیلی می‌باشند. PAG نیز از جمله مناطق مهم و حیاتی در کنترل و تعدیل درد است. نواحی ساقة مغزی اصل النخاع که اکثر فعالیت‌های رفلکسی و اتوماتیک قلبی تنفسی را کنترل می‌کنند عبارتند از بدولای ونترولترال و NTS. ارگانهای دور بطنی با احساس و تشخیص تغییرات هومرال در تعدیل فعالیت اتونوم شرکت می‌کنند.

اجزاء‌ محیطی سیستم انوم عبارتند از سیستم‌های عصبی سمپاتیک و پاراسمپاتیک. نورون‌های پیش گانگلیونی سیستم سمپاتیک در ستون بینابینی خارجی نخاع قرار داشته و اکسونهای آنها در گانگلیونهای پری وربترال و پاراوربترال سیناپس کرده و فیبرهای پس سیناپسی نسبتاً مسیرهای طولانی را جهت عصب‌دهی به ارگانهای هدف خود طی می‌کنند.

سیستم سمپاتیک بسیار گسترده و منتشر است و توانایی تولید پاسخ‌های عظیم توسط تحریک ترشح اپی نفرین از قشر غده فوق کلیوی را دارد. این بعلت نسبت بالای فیبرهای پس گانگلیونی به پیش گانگلیونی و نیز فیبرهای پس گانگلیونی بلند و طولانی است. نورون‌های پیش سیناپسی پاراسمپاتیک تشکیل گروههای هسته‌ای ساکرال و کردینال را می‌دهند. سیستم عصبی پاراسمپاتیک بطور انتخابی فعالیت می‌کند زیرا اکسونهای پیش گانگلیونی در گانگلیونهایی سیناپس می‌کنند که بسیار نزدیک به ارگان‌های هدف بوده و همچنین نسبت فیبرهای پس گانگلیونی به پیش گانگلیونی در این سیستم بسیار کمتر از سسیتم سمپاتیک است. معمولاً دو سیستم سمپاتیک و پاراسمپاتیک اعمال مخالف هم دارند، اما در ارگانهای معدودی آثارشان با هم تشدید می‌شود.

نوروترنسمیترها

استیل کولیس (Ach) نوروترنسمیتر کلاسیک فیبرهای پیش گانگلیونی در هر دو سیستم عصبی سمپاتیک و پاراسمپاتیک است. فیبرهای پس گانگلیونی سمپاتیک نوراپی نفرین (NE) ترشح می‌کنند. به جز فیبرهای سودوموتور که استیل کولین ترشح می‌کنند. نورون‌های پس عقده‌ای پاراسمپاتیک همگی استیل کولین ترشح می‌کنند.

در اعصابی که در سطوح مختلف CAN، نخاع، و همچنین پایانه‌های پیش و پس عقده‌ای وجود دارند و محتوی Ach و یا NE می‌باشند نوروپیتیدها و نوروترنسمیترهای شناخته شده دیگری نیز وجود دارند. آنها نقش مهمی در فعالیت احشایی و همچنین فعالیت‌های منسجم متعددی از جمله شناخت، درد و یا حرکت ایفا می‌نمایند. شایع ترین این مواد عبارتند از: کلرسیستوکسین (CCK)، ماده (SP) P، سوماتوستانین، انکفالین‌ها، نوروکینین‌ها، نیتریک اکسید (NO)، پیتید وازواکنیو روده (VID)، نوروپیتید (NPY) Y ،

دانلود تحقیق کامل درباره شبکه های عصبی 96 ص

اختصاصی از فایل هلپ دانلود تحقیق کامل درباره شبکه های عصبی 96 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 95

دانشگاه آزاد اسلامی واحد مشهد

درس هوش مصنوعی

عنوان تحقیق : شبکه های عصبی

استاد محترم :

مهندس مهدیه شادی

تهیه کننده: سامان صحت بخش

مهدی مینائی

زمستان 86فهرست مطالب

عنوان صفحه

مقدمه 1

شبکه عصبی چیست ؟ 2

یادگیری در سیستم های بیولوژیک 4

سازمان مغز 6

نرون پایه 7

عملیات شبکه های عصبی 7

آموزش شبکه های عصبی 10

معرفی چند نوع شبکه عصبی 14

پرسپترون تک لایه 14

پرسپترون چند لایه 21

backpropagation 25

هاپفیلد 49

ماشین بولتزمن 67

کوهونن 83

کاربردهای شبکه های عصبی 86

منابع 90

مقدمه

الگوریتم ها در کامپیوتر ها اعمال مشخص و واضحی هستند که بصورت پی در پی و در جهت رسیدن به هدف خاصی انجام می شوند.حتی در تعریف الگوریتم این گونه آمده است که الگوریتم عبارت است از مجموعه ای ازاعمال واضح که دنبال ای از عملیات را برای رسیدن به هدف خاصی دنبال می کنند.آنچه در این تعریف خود نمایی می کند کلمه دنباله می باشد که به معنای انجام کار ها بصورت گام به گام می باشد. این امر مشخص می کند که همه چیز در الگوریتم های سنتی باید قدم به قدم برای کامپیوتر مشخص و قابل فهم و درک باشد.حتی در اولین الگوریتمهای هوش مصنوعی نیز بر همین پایه و کار قدم به قدم بنا نهاده شده اند.

در اواخرقرن بیستم رویکرد به الگوریتم های جدید صورت گرفت که علتهای مختلفی داشت مثل حجیم بودن میزان محاسبات برخی مسایل و بالا بودن مرتبه زمانی الگوریتم های سنتی در مورد این مسایل باعث شد نیاز به الگوریتمهای جدید احساس شود.همچنین برخی کارهای انسان که هنوز قابل انجام توسط کامپیوتر نبودندو یا به بخوبی توسط کامپیوتر انجام نمی شدند باعث این رویکرد شد.

مهمترین الگوریتمهای جدید عبارتند از :1- شبکه های عصبی 2- منطق فازی 3- محاسبات تکاملی

شبکه عصبی چیست ؟

این سوال که آیا انسان توانا تر است یا کامپیوتر موضوعی است که ذهن بشر را به خود مشغول کرده است.

اگر جواب این سوال انسان است چرا کامپیوتر اعمالی مانند جمع و ضرب و محاسبات پیچیده را در کسری از ثانیه انجام می دهد، حال آنکه انسان برای انجام آن به زمان زیادی نیازمند است. واگر جواب آن کامپیوتر است چرا کامپیوتر از اعمالی مانند دیدن و شنیدن که انسان به راحتی آنها را انجام می دهدعاجزاست.جواب این مسئله را باید در ذات اعمال جستجو کرد . اعمال محاسباتی اعمالی هستند سریالی و پی در پی به همین دلیل توسط کامپیوتر به خوبی انجام می شوند.حال آنکه اعمالی مانند دیدن وشنیدن کارهای هستند موازی که مجمو عه ای از داده های متفاوت و متضاد در آنها تفکیک و پردازش می شوندو به همین دلیل توسط انسان به خوبی انجام می شوند. در واقع مغز انسان اعمال موازی را به خوبی درک و آنها را انجام می دهدو کامپیوتر اعمال سریالی را بهتر انجام می د هد.حال باید دیدآیا می توان این اعمال موازی و در واقع ساختار مغز انسان را به نوعی در کامپیوتر شبیه سازی کرد و آیا می توان امکان یادگیری که از جمله توانایی های انسان است به نوعی در کامپیوتر مدل سازی نمود.این کار به نوعی در انسان هم انجام می شود و زمان انجام آن عمدتا در کودکی است.به عنوان مثال یک کودک ممکن است یک شی مانند چکش را نشناسد اما هنگامی که آن را می بیند واسم آن را یاد می گیرد و سپس چند چکش متفاوت را می بینداین شی را بخوبی می شناسدو اگر بعد از مدتی چکشی را که تا کنون آن را ندیده است ببیند به راحتی تشخیص می دهد که شی مورد نظر یک چکش است و تنها از نظر جزئیات با چکش های مشابه که قبلا دیده است تفاوت دارد.

لازم به ذکر است که شبکه های عصبی تنها در یادگیری کاربرد ندارند، بلکه تمام مسائل جدید وکلاسیک توسط آنها قابل حل می باشد.اما آنچه شبکه های عصبی بدان نیازمند است مثالها و نمونه های مفید وکافی است که بتواند به خوبی فضای مسئله را پوشش دهند.حال باید دیدچگونه می توان شبکه عصبی انسان را به نوعی شبیه سازی نمود، برای این کار نخست به ساختار مغز و سیستم عصبی انسان نگاهی گذرا می اندازیم.

مغز انسان یکی از پیچیده ترین اعضای بدن است که تا کنون نیز به درستی شناخته نشده است و شاید اگر روزی به درستی شناخته شودبتوان شبیه سازی بهتری از آن انجام داد و به نتایج بهتری درباره هوش مصنوعی رسید.تحقیقات در مورد شبکه های عصبی نیز از زمانی آغاز شد که رامون سگال درباره ساختار مغز و اجزای تشکیل دهنده آن اطلاعات و نظراتی ارائه کرد. او در اوایل قرن بیستم مغز را به عنوان اجتماعی از اجزای کوچک محاسباتی دانست و آنها را نرون نامید.امروزه ما می دانیم که بیشتر فعالیتهای انسان را نرونها انجام می دهندو در کوچکترین فعالیتهای حیاتی انسان مانند پلک زدن نیز نقش حیاتی و اساسی دارند.این نکته هم بسیار جالب است بدانید که در بدن ما حدودنرون وجود دارد که هر کدام از این نرونها با نرون دیگر در ارتباط هستند.نرونها شکلها